Escolar Documentos
Profissional Documentos
Cultura Documentos
Natal – RN
Junho de 2017
JEAN CARLOS DOS SANTOS
Natal - RN
Junho de 2017
Divisão de Serviços Técnicos
Catalogação da Publicação na Fonte. UFRN / Biblioteca Setorial do NEPSA / CCSA
Ponho todos os meus feitos nas mãos de Deus que sempre me deu forças para
continuar e não desistir. Agradeço por ter colocado no meu caminho pessoas boas, sempre
dispostas a me ajudar nos momentos de angústias.
Dentre elas, primeiramente agradeço a minha Mãe e meu Pai, que não me
abandonaram em nenhum momento, me aconselhando a fazer as melhores escolhas. Minha
Madrinha Marilene e minha prima Silmara, por estarem do meu lado todas as vezes que eu
precisei. Agradeço a Regina por me auxiliar e encorajar a manter o foco.
Muito Obrigado a Daisy pelo companheirismo, amor e carinho dos últimos anos. Por
ter se mantido do meu lado principalmente nos momentos de dificuldade. Sou muito grato à
Larice, Josélia, Clóvis, Vanda e Danilo por terem me auxiliado a permanecer em Natal para
poder finalizar os meus estudos.
Agradeço a todos os meus amigos por estarem do meu lado e por caminharam comigo
durante todos esses anos.A galera de Altinópolis: Tiuzão (Paulo), Túlio, Adriano, Ricardo, Zé
Paulo, Karem, Lucas e o pessoal do MTG; o pessoal de Ouro Preto da época da química:
Roberto, Raquel e Líniker; e como não dizer da galera do GIGA: Leonel, Romildo, Matheus,
Ariane, Gilberto, Filipe, Mayara, Mariane, Rafaela, Vitória e Vinicius que já cansaram de
ouvir minhas piadas.
Fico feliz por ter encontrado pessoas como José, Nicolas, Cleudson, Alisson e Amélio
que me ajudaram e compartilharam seu tempo nos momentos de descanso da rotina do
Mestrado. espero que estejam comigo nas próximas etapas.
Não posso deixar de agradecer todos os professores que contribuíram para eu alcançar
esse objetivo, em especial minha orientadora, Professora Janaina, pela
oportunidade,aprendizado e paciência dedicados a conclusão deste trabalho. Por fim, agradeço
a CAPES por possibilitar a realização desse estudo através do fornecimento de recursos para
me manter e investir na pesquisa.
RESUMO
Keywords: Industrial Concentration. New Economic Geography. Ellison and Glaeser Index.
PVAR.
LISTA DE ABREVIATURAS E SIGLAS
ABDI- Agência Brasileira de Desenvolvimento Industrial
BNDE - Banco Nacional de Desenvolvimento Econômico
CNAE - Classificação Nacional de Atividades Econômicas
CNI – Confederação Nacional da Indústria
FGV – Fundação Getúlio Vargas
GTDN – Grupo de Trabalho para o Desenvolvimento do Nordeste
IBGE - Instituto Brasileiro de Geografia e Estatística
IBRE – Instituto Brasileiro de Economia
ICMS - Imposto sobre a Circulação de Mercadorias
IEDI – Instituto de Estudos de Desenvolvimento Industrial
IEG – Índice de Ellison e Glaeser
IGP-DI - Índice Geral de Preços –Disponibilida de Interna
IHH – Índice Hirshman-Herfindahl
II PND –II Plano Nacional de Desenvolvimento
IPEA – Instituto de Pesquisa Econômica Aplicada
JK – Juscelino Kubitschek
MTE – Ministério do Trabalho e Emprego
NGE - Nova Geografia Econômica
PBM - Política Brasil Maior
PDP - Política de Desenvolvimento Produtivo
PIB - Produto Interno Bruto
PITCE - Política Industrial, Tecnologia e Comércio Exterior
PITP - Participação da Indústria de Transformação no PIB
PNAD - Pesquisa Nacional por Amostras de Domícilios
PVAR – Vetores Autorregressivos em Painel
RAIS - Relação Anual de Informações Sociais
SIDRA – Sistema IBGE de Recuperação Automática
SUDENE - Superintendência do Desenvolvimento do Nordeste
SUDAM - Superintendência do Desenvolvimento da Amazônia
SUFRAMA - Superintendência da Zona Franca de Manaus
UF – Unidade Federativa
VAB - Valor Adicionado Bruto
ZFM - Zona Franca de Manaus
LISTA DE FIGURAS
Figura 2 - Perfil da renda da terra e anéis de Von Thünen com três colheitas ......................... 36
Gráfico 2 - Histograma dos valores de EG para as UFs no período de 2003 a 2014 ............... 72
Tabela 2 - Brasil: Plano de Metas, previsão e resultados, metas físicas, 1957-1961 ............... 21
Tabela 7 - Índice de Concentração de Ellison e Glaeser (IEG) para cada UF – 2003-2014 .... 70
Tabela 11 - Teste de raiz unitária sem tendência para a primeira diferença de IEG e RE ....... 77
4 METODOLOGIA.................................................................................................................. 52
6 CONCLUSÃO ....................................................................................................................... 84
ANEXOS .................................................................................................................................. 95
13
1 INTRODUÇÃO
1
Os Estados do Rio de Janeiro e Guanabara eram dois Estados que foram unificados em 1975, formando o atual
Estado do Rio de Janeiro.
19
Ferrovias Cabotagem
Mercadorias Rede rodoviária Estadual e Veículos rodoviários de carga
Mercadorias Municipal (1000km) (1000 unidades)
(milhões
(milhões t)
t/km)
1929 3778,8 1,9
1935 4317,9 2,2
1939 6063,1 2,9 200,3(a) 22,9(a)
1945 6570,7 3,3 90,2(b)
1949 7299,8 4,0 341,0(c) 16,3
1955 9599,6 5,4 459,7 289,3
1959 12033,8 7,2 475,3 347,6(d)
Fonte: Cano (1998) (adaptado).
Nota: (a) os dados são de 1937; (b) o dado é de 1946; (c) o dado é de 1953; (d) o dado é de 1962.
Previsão Realizado %
Energia Elétrica (1000 kW) 2000 1650 62
Carvão (1000 t) 1000 230 23
Petróleo-Produção (1000 barris/dia) 96 75 76
Petróleo-Refino (1000 barris/dia) 200 52 26
Ferrovias (1000 km) 3 1 32
Construção de Rodovias (1000 km) 13 17 138
Rodovias-Pavimentação (1000 km) 5 10.2 204
Aço (1000 t) 1100 650 60
Cimento (1000 t) 2300 2277 99
Carros Caminhões (1000 unid.) 170 133 78
Nacionalização (carros) (%) 90 75
Nacionalização (caminhões) (%) 95 74
Fonte: Orenstein e Sochaczewski (2014).
O país por mais que ampliasse seu crescimento, suas regiões ainda apresentavam
grandes disparidades econômicas e sociais. Devido às tensões sociais, foi criado, em 1956, o
Grupo de Trabalho para o Desenvolvimento do Nordeste (GTDN). Os trabalhos apresentados
pelo GTDN tinham como propostas centrais a industrialização e políticas para o
desenvolvimento do Nordeste. Com a intensificação dos investimentos industriais o GTDN
tinha a expectativa de tornar o setor industrial nordestino dinâmico, garantindo autonomia ao
crescimento da região (ARAÚJO, 1997). A Superintendência do Desenvolvimento do
Nordeste (SUDENE), fundada em 1959, atuaria na elaboração e aplicação de políticas
voltadas para o desenvolvimento regional, focada em integrar os planos de desenvolvimento
do Nordeste com o Plano Nacional.
Entre 1967 e 1980, de acordo com Cano (2005), o objetivo principal do Estado era
expandir e diversificar a produção para acelerar o crescimento. Essa situação pode ser
caracterizada por São Paulo que concentrando cerca de 37,5% da produção da indústria
nacional de transformação em 1929, aumentou esse valor para 58,1% em 1970. Esta
22
2
O Sistema 34/18 – FINOR era composto por dois artigos de Lei. O artigo 34, da Lei nº 3995 de 14 de dezembro
de 1961, facultava às pessoas jurídicas, constituídas de 100% de capital nacional, a reduzirem até 50% do
imposto de renda devido, para o reinvestimento ou aplicações em indústrias consideradas de interesse para o
23
desenvolvimento do Nordeste. O artigo 18, da Lei nº 4239 de 27 de junho de 1963, aperfeiçoou e ampliou a
política de incentivos fiscais (NABUCO, 2007).
24
crise e pelos anos seguintes, reduzindo-se assim políticas de parâmetro regional (DINIZ,
1996).
O Brasil, durante a década de 1980, sofreu com cortes substanciais no financiamento
externo, causando, consequentemente, alta inflação, queda no investimento privado
(prejudicando o dinamismo industrial), crise crônica de balanço de pagamentos, corte do
crédito interno, elevação acentuada das dividas públicas externa e interna, e por fim,
aprofundando as crises fiscais e financeiras do estado nacional, debilitando ainda mais o gasto
e o investimento público (CANO, 2008).
Na década de 1980, após uma recessão em 1983 em que todas as taxas dos setores
mais dinâmicos da indústria foram reduzidas, a partir de 1984, a indústria de transformação
apresentou uma recuperação originada na expansão das vendas ao mercado externo e de
insumos ao setor agrícola, liderados pelas indústrias mecânica, metalúrgica e química, que
apresentaram crescimento respectivamente de 18,6%, 13,8% e 9,6% em 1984 (CARNEIRO;
MODIANO, 2014).
A Tabela 3 apresenta dados que mostram a variação média anual do PIB para cada
setor, revelando como a crise afetou o país durante a década de 1980. Durante o período entre
1980 e 1989 o desempenho de todos os setores foram reduzidos.
O setor primário foi o menos afetado quando comparado com os outros setores, tendo
apresentado na década de 1990 um valor de crescimento próximo ao obtido na década de
1970 nos princípios da crise. Nenhum dos outros setores voltaram a possuir os mesmos
rendimentos alcançados durante a década de 1970. A indústria de transformação foi a mais
afetada pela crise, ficando dependente da infraestrutura construída na década anterior para
conseguir se recuperar.
De acordo com Laplane e Sarti (2006), o Brasil contava com uma estrutura industrial
diversificada e relativamente integrada, sendo ao longo desse período, o motor do
25
relação à trajetória dos cinquenta anos anteriores no setor industrial, sendo eliminados
instrumentos não tarifários de proteção e eliminação dos subsídios. Portanto o país não estaria
em condições de manter competitividade com indústrias estrangeiras, devido a falta de
incentivos e tecnologia obsoleta.
A abertura econômica modificou a organização industrial do país, pois a infraestrutura
nacional não apresentava condições para manter a concorrência com as empresas estrangeiras.
Um indício da transformação ocorrida no país devido a esse evento são os motivos que
levaram a privatização de algumas empresas na década de 1990, pois empresas que seriam
mais sensíveis à concorrência continham um caráter menos complexos para venda, logo foram
as primeiras a serem negociadas. Enquanto empresas que detinham monopólios seriam mais
complexas, pois precisavam da criação de marcos regulatórios, com credibilidade e
independência adequadas. Portanto as privatizações se concentraram em empresas da
indústria de transformação. Às vendas de ativos somaram US$ 3,5 bilhões entre o período de
1990 a 1992 (15 empresas) e US$ 5,1 bilhões nos dois anos seguintes (18 empresas),
especialmente de empresas siderúrgicas (US$ 5,6 bilhões), petroquímicas (US$ 1,9 bilhão) e
produtoras de fertilizantes (US$ 0,4 bilhão) (ABREU; WERNECK, 2014).
Cada região se comportou de uma maneira diferente quando tratamos sobre a questão
industrial. É interessante notar que muitos estados utilizaram como instrumento para adquirir
investimentos as políticas de incentivos fiscais. Os incentivos fiscais, como mencionado no
final do capítulo anterior, foram a principal ferramenta utilizada pelos estados para angariar
investimentos. Esta competição tributária entre as UFs ficou conhecida como “Guerra Fiscal”.
Esta disputa tinha como objetivo abranger políticas públicas pautadas em benefícios fiscais,
financeiros e creditícios, que buscam atrair desenvolvimento para um Estado em detrimento
de outras UFs. A “Guerra Fiscal” possibilitou que as UFs gerassem mais empregos e renda,
elevação do PIB local e a receita tributária futura. Os prejuízos seriam a desarmonia entre os
entes federados e a perda de receita presente, já que existe a chance de não ser compensada no
futuro, pois antes dos estados recuperarem os recursos aplicados para instalação das empresas,
estas podem migrar para outras localizações (NASCIMENTO, 2008).
A região Norte sofreu com essa política de abertura e desregulamentação fiscal, pois a
ZFM foi atingida negativamente, estagnando sua participação regional, perdendo
investimentos estrangeiros nas áreas de eletrônica e informática. O setor industrial nordestino
teve dificuldades nesse período por causa do retrocesso da indústria química nacional que
afetou Pernambuco e Bahia, e pela contração dos setores Têxtil e de Confecções em quase
toda região. A participação industrial no Centro-Oeste foi beneficiada pela continuidade da
27
Tabela 4 - Aglomerações Industriais segundo a faixa de número empregados nas indústrias de transformação e
extrativa mineral – 1989/97
Pequenas Médias Grandes Macro
Total
Região/estado Aglomerações Aglomerações Aglomerações Aglomerações
1989 1997 1989 1997 1989 1997 1989 1997 1989 1997
Norte 0 2 1 1 1 1 0 0 2 4
Rondônia 1 0 1
Acre 0 0
Amazonas 1 1 1 1
Roraima 0 0
Pará 1 1 1 1 2
Amapá 0 0
Tocantins 0 0
Nordeste 9 13 11 10 3 2 0 0 23 25
Maranhão 1 2 1 2 2
Piauí 1 1 1 1
Ceará 3 1 1 1 4
Rio Grande
1 3 1 1 2 4
do Norte
Paraíba 1 1 2 2 2
Pernambuco 3 3 3 2 1 1 7 6
Alagoas 1 1 3 2 4 3
Sergipe 1 1 1 1
Bahia 2 1 1 1 3 2
Sudeste 21 25 42 41 4 4 7 4 74 74
Minas Gerais 10 10 11 12 1 1 22 23
Espírito Santo 2 2 2 2 4 4
Rio de Janeiro 3 4 5 3 1 1 9 8
São Paulo 6 9 24 24 4 4 5 2 39 39
Sul 14 21 21 19 3 3 2 2 40 45
Paraná 4 8 5 5 1 1 10 14
Santa
4 5 9 8 2 2 15 15
Catarina
Rio Grande
6 8 7 6 1 1 1 1 15 16
do Sul
Centro - Oeste 2 3 3 4 0 0 0 0 5 7
Mato Grosso 1 1 1 1 2
Mato Grosso
1 2 1 2
do Sul
Goiás 2 2 2 2
Distrito Federal 1 1 1 1
Total 46 64 78 75 11 10 9 6 144 155
Fonte: SABOIA (2000) (adaptado).
É interessante notar que mesmo em um ambiente adverso, como explicado por Cano
(1998), a região Norte teve expansão na quantidade de suas aglomerações saindo de duas em
1989 para quatro em 1990. A mesma característica se mantém na região Nordeste, que
29
apresentou um aumento de duas aglomerações no período saindo de 23 para 25. Três estados
nordestinos, em 1997, não mantiveram o número de aglomerações em 1989, Paraíba, Alagoas
e Bahia, ambos perdendo participação no nível de pequenas aglomerações, revelando uma
característica próxima de países em desenvolvimento no mesmo período assim como
explicado em Saboia (2000). A região Sudeste não teve alterações na quantidade total de
aglomerações, as modificações estiveram presentes dentro de cada estado. Observa-se
aumento das pequenas aglomerações no estado de São Paulo e redução das macro
aglomerações e o Rio de Janeiro apresentou queda no valor das médias aglomerações. A
região Sul teve destaque por apresentar aumento das pequenas aglomerações em todos os
estados, apresentando evolução no total de suas aglomerações durante a década de 1990. O
Centro - Oeste teve aumento de suas pequenas e médias aglomerações.
Depois de superar a crise inflacionária e conseguir manter estabilidade monetária,
mesmo após a instabilidade da economia Internacional que gerou desconfiança sobre os
mercados das economias consideradas em desenvolvimento, o Brasil no início do século XXI
se encontrava numa situação econômica confortável para elaborar projetos de fomento a
indústria de maneira mais adequada.
Na década de 2000, foram aplicados três planos para incentivar o aumento da
indústria. Assim temos: Política Industrial, Tecnologia e Comércio Exterior (PITCE), Política
de Desenvolvimento Produtivo (PDP) e Política Brasil Maior (PBM).
A PITCE foi implantada em março de 2004, com a proposta de fortalecer e expandir a
base industrial brasileira por meio da capacidade inovadora, atuando no desenvolvimento
tecnológico, setores estratégicos e atividades portadoras de futuro (biotecnologia,
nanotecnologia e energias renováveis). A PDP foi instituída em 2008 com o objetivo de
fortalecer a economia do país, sustentar o crescimento e incentivar a exportação; possuía
quatro metas: estimular a inovação, ampliar a inserção internacional do Brasil, acelerar o
investimento fixo e aumentar o número de micro e pequenas empresas exportadoras. Por fim
temos o PBM que na tentativa de integralizar todas as ferramentas disponíveis dos diversos
ministérios teve como foco estimular à inovação e à produção nacional, alavancando a
competitividade da indústria nos mercados interno e externo no período entre 2011 a 2014
(ABDI, 2017).
Para explicar o comportamento da indústria, mais especificamente a indústria de
transformação, na década de 2000, analisa-se o Gráfico 1 que mostra dados sobre a
participação da indústria de transformação no PIB (PITP). Podemos observar o alto nível da
PITP das economias em desenvolvimento, com destaque para China, cujo crescimento
30
elevado em setores como a indústria possui altas taxas, de fato em 2005 o país ocupava o
segundo lugar entre as lideranças da indústria de transformação com 11,7% da parcela no
valor adicionado mundial, atrás apenas dos EUA com 20,4% (IEDI, 2016). A partir de 2002,
o Brasil passou a ter uma PITP maior que das economias desenvolvidas, alcançando um pico
de 19,2% em 2004, se mantendo superior até 2006. Esse comportamento se deve
provavelmente ao aumento dos investimentos externos causado pela boa expectativa do
mercado após as eleições de 2002, além do início da aplicação de políticas que incentivassem
a indústria nacional como a PITCE, elevando a credibilidade do setor para atrair
investimentos.
Essa realidade teve mudanças drásticas após a crise de 2008. Observando a Tabela 5,
mais especificamente para os dados da indústria de transformação, nota-se que até o ano de
2008 o país obteve valores positivos na sua produção industrial e depois disso, períodos com a
produção alcançando patamares negativos se tornaram frequentes.
31
Indústria Bens
Geral
Extrativa transformação Capital Intermediário Consumo Durável Não Durável
2003 0,3 4,9 0,1 2,4 1,9 -2,8 0,7 -3,5
2004 8,3 4,3 8,6 20,7 7,1 8,1 21,4 5,1
2005 2,8 10,3 2,4 3,4 0,8 6,3 8,5 5,8
2006 2,7 7,4 2,4 5,1 1,7 3,9 7,4 2,9
2007 5,9 5,9 6,0 19,2 4,5 5,2 10,9 3,6
2008 3,1 3,8 3,0 16,2 1,6 1,9 3,4 1,4
2009 -7,1 -8,9 -7,0 -16,5 -8,0 -2,8 -2,7 -2,9
2010 10,2 13,5 10,0 21,3 10,4 7,0 11,6 5,5
2011 0,4 2,2 0,3 5,0 0,0 -0,4 -3,0 0,4
2012 -2,3 -0,5 -2,4 -11,2 -1,6 -0,5 -1,4 -0,2
2013 2,1 -3,6 2,8 12,2 0,4 2,6 4,4 2,0
2014 -3,0 6,8 -4,2 -9,3 -2,4 -2,3 -9,2 -0,1
2015 -8,2 3,9 -9,8 -25,3 -5,2 -9,4 -18,5 -6,7
2016 -6,5 -9,5 -6,1 -10,7 -6,4 -5,6 -14,4 -3,2
Fonte: IEDI (2017).
Após o ano de 2008 temos uma intensa queda tanto para os dois setores da indústria
representados na tabela 5, quanto para os bens produzidos. Tendo enfoque na indústria de
transformação, observa-se uma queda na produção de 7% no ano de 2009. Devido a políticas
de incentivos ao consumo propagado pelo Governo Federal os dois anos seguintes obtiveram
valores positivos para todos os membros relacionados na tabela, principalmente os bens de
capital que alcançaram a marca de 21% da produção. De 2012 até 2016 a indústria de
transformação sofreu com baixa produtividade, -9,8%, sendo inferior que o valor da produção
industrial geral, que apresentou queda de -8,2%.
Observando a situação nacional no nível estadual podemos notar grande queda no
nível de produção industrial. A Tabela 6 nos mostra dados sobre a porcentagem do valor
adicionado bruto (VAB) da indústria de transformação para as UFs entre os anos de 2003 a
2014. Os estados considerados mais industrializados da região Norte, Amazonas e Pará
apresentaram quedas no VAB industrial no comparativo dos anos de 2003 e 2014 na tabela 6,
enquanto isso os outros estados na sua maioria tiveram aumento. No Nordeste, entre os três
estados mais industrializados, somente Ceará e Pernambuco mantiveram crescimento
industrial; Bahia teve crescimento até 2010, mas em 2014 o VAB teve redução do seu valor.
No Sudeste, apenas Minas Gerais obteve aumento do seu VAB; São Paulo, a principal centro
industrial do país, obteve a maior queda percentual, caindo cerca de 5% nos últimos 12 anos;
os estados do Rio de Janeiro e Espírito Santo também sofreram com reduções dos seus VAB,
32
mas de maneira menos intensa. Todos os estados do Sul apresentaram aumento, sendo o
maior destaque Santa Catarina que elevou o seu VAB em 2%. O Centro - Oeste manteve a
elevação do VAB em todos os estados.
Tabela 6 – Decomposição do VAB da indústria de transformação brasileira nas UFs (%) de 2003 a 2014
Unidades Federativas VAB 2003 VAB 2006 VAB 2010 VAB 2014
Rondônia 0,24 0,20 0,35 0,29
Acre 0,03 0,04 0,06 0,06
Amazonas 2,93 3,40 3,19 2,77
Roraima 0,02 0,02 0,02 0,02
Pará 1,18 1,53 0,90 1,02
Amapá 0,04 0,04 0,03 0,07
Tocantins 0,04 0,09 0,10 0,19
Maranhão 0,71 0,78 0,30 0,63
Piauí 0,21 0,21 0,21 0,27
Ceará 1,50 1,51 1,57 1,71
Rio Grande do Norte 0,40 0,46 0,50 0,36
Paraíba 0,68 0,55 0,56 0,60
Pernambuco 1,65 1,46 1,69 2,06
Alagoas 0,64 0,48 0,40 0,42
Sergipe 0,47 0,37 0,30 0,38
Bahia 2,79 2,79 3,45 2,67
Minas Gerais 8,95 10,06 10,56 10,02
Espírito Santo 2,06 2,20 1,61 1,65
Rio de Janeiro 6,20 6,25 6,38 6,12
São Paulo 43,75 43,07 41,66 38,61
Paraná 7,50 7,04 6,84 7,97
Santa Catarina 5,64 5,89 5,89 7,62
Rio Grande do Sul 8,42 7,39 8,33 8,74
Mato Grosso do Sul 0,49 0,49 0,78 1,17
Mato Grosso 0,85 0,81 1,17 1,29
Goiás 2,14 2,53 2,75 2,77
Distrito Federal 0,45 0,35 0,38 0,52
Fonte: Dados retirados do IBGE, elaboração própria.
3
Os países que compõem essa avaliação são África do Sul, Argentina, Austrália, Canadá, Chile, China, Colômbia,
Coreia do Sul, Espanha, Índia, Indonésia, México, Peru, Polônia, Rússia, Tailândia e Turquia.
33
Segundo a CNI (2016), o resultado nacional nesta categoria foi devido ao seu
desempenho. Assim como competitividade, a infraestrutura foi separada em categorias, que
não apresentaram boas classificações, prejudicando sua nota final. O desempenho de
infraestrutura e logística foram definidos: pela infraestrutura de transportes (qualidade das
rodovias, ferrovias e das zonas portuárias) em que ocupou o 18º colocação; pela infraestrutura
de energia (abrange os custos de energia para clientes industriais e disponibilidade de energia)
que se posicionou na 10º colocação (neste caso, foram avaliados apenas 10 países, devido a
insuficiência de dados para alguns); Logística Internacional (considera o tempo para exportar
e importar) ficando na 15º colocação; e por fim, infraestrutura de telecomunicações (avalia o
34
uso e o acesso de ferramentas voltadas para telecomunicação), em que o Brasil ficou bem
posicionado (8º colocação), mas não foi o necessário para alavancar a nota total.
Portanto, neste capítulo vimos a evolução da indústria brasileira, desde a década de
1930 até 2014. Nota-se que a indústria nacional sempre foi dependente da intervenção do
governo e de um ambiente externo favorável, de modo que quando estes fatores não estavam
presentes, o setor dificilmente manteve boas estatísticas. Na próxima seção serão descritas
diversas teorias que tratam sobre o assunto de aglomerações industriais, mais especificamente,
estudos relacionados às Teorias de Localização que podem explicar o comportamento do setor
industrial nacional.
35
3 REFERENCIAL TEÓRICO
O principal precursor dos estudos sobre a compreensão dos fatores que envolvem o
espaço e os meios de produção foi Johann Heinrich Von Thünen (1783 – 1850), considerado
pai da teoria de localização.
De acordo com Benko (1999), a sua teoria baseia-se em observações empíricas,
método contrário ao do pensamento econômico do séc XIX, na qual a análise abstrata era
frequentemente predominante. A contribuição de Von Thünen está no fato de sua teoria
utilizar vários fatores: custo de transporte, a distância (o espaço), custo de produção e lucro.
Seus estudos são elaborados a partir da hipótese de um território isolado e tem como
características: espaço agrícola homogêneo e uniforme; circundando um centro de mercado, a
cidade, no qual se efetua todas as transações.
Von Thünen partiu de duas questões sobre como as terras em torno da cidade
deveriam ser alocadas para minimizar os custos combinados para produzir e transportar os
36
alimentos até a cidade e como seria a organização do cultivo dessas terras sabendo da
concorrência entre os proprietários de terra. Para resolver esse problema, Von Thünen
considerou que a disputa por terras entre os colonos levaria a um gradiente de aluguéis de
terra, sendo as terras próximas à cidade possuidoras de valores mais altos e conforme se
distanciam o valor tende a diminuir até o limite de zero. O raciocínio para o transporte se
inverteria para essa situação, sendo mais dispendioso quanto mais distante da cidade for
(FUJITA et al., 2002).
A partir desse cenário os colonos deveriam organizar-se de acordo com sua renda e a
cultura mais propícia a ser plantada em cada região. No equilíbrio, o gradiente de aluguel da
terra deve ser tal que induza os colonos a plantar somente o suficiente de cada produto para
atender a demanda (FUJITA et al., 2002).
A Figura 2 define adequadamente a teoria de anéis concêntricos de Von Thünen. Nela
estão presentes as curvas de equilíbrio, em que o aluguel está relacionado com a distância da
cidade. Portanto, podemos observar a disposição dos colonos em pagar para cultivar as três
culturas diferentes apresentadas a baixo, tomates representado por R1(r), batatas por R2(r) e
trigo por R3(r).
Figura 2 - Perfil da renda da terra e anéis de Von Thünen com três colheitas
Os produtores de tomate estão dispostos a pagar pelo aluguel de suas terras até
alcançar os limites da curva R1, devido ao fato da cultura não precisar de muitas terras e a
necessidade de estarem “frescas” na hora da venda faz com que tenham de permanecer
próxima a cidade. Os produtores de batata não precisam se preocupar com a perenidade do
seu produto, por isso não precisam permanecer tão próximos das cidades e são mais fáceis de
serem transportados, fazendo com que os produtores não necessitem elevar mais os seus
gastos. Os colonos que optarem em produzir trigo precisam de mais terras para o cultivo e o
produto é mais fácil de ser estocado devido a sua alta validade, assim, mesmo custando mais
caro o transporte é possível recuperar seu gasto com a venda do produto.
Segundo Fujita (2009), esses anéis concêntricos surgirão mesmo se nenhum
fazendeiro tenha conhecimento da produção do outro, de modo que ninguém esteja ciente de
que os anéis estão lá. Além disso, verifica-se que esse resultado não planejado é socialmente
eficiente, representando o trabalho da mão invisível de Adam Smith no seu melhor.
Mais de meio século depois da obra de Von Thünen (1826), Alfred Marshall (1842-
1924) obteve destaque devido sua teoria de aglomeração industrial. Marshall introduz a noção
de “atmosfera industrial” para designar a formação e a acumulação de competências no
âmbito do distrito industrial, este atua como uma entidade socioterritorial caracterizada pela
presença ativa de uma comunidade humana e de uma população de empresas num espaço
geográfico e histórico (BENKO, 1999).
Marshall (1890) examinou sistematicamente as razões para concentração geográfica e
especialização industrial em determinadas áreas, acreditando na influência das externalidades
como fator crucial para formação de aglomerações econômicas. As externalidades beneficiam
as indústrias como consequência de um efeito bola de neve, pois os empresários são atraídos
ou captam (quando já estão instalados na área de aglomeração) as vantagens da presença de
firmas vizinhas qualificadas, aproveitando para aperfeiçoar seus equipamentos, obter novas
ideias e melhorar sua organização para os negócios, portanto atraindo mais firmas e
consequetemente aumentando o tamanho da aglomeração (MARSHALL, 1890 apud FUJITA,
2009).
As externalidades marshallianas surgem devido à produção em massa (retornos
crescentes ao nível da empresa), formação de uma força de trabalho altamente especializada,
38
A Figura 3 mostra como pode ser esquematizado a hierarquização das cidades através
da configuração dos hexágonos da Teoria do Lugar Central de Christaller. Quanto maior a
cidade, mais especializada deverão ser suas funções, que deverão ser ofertadas para as pessoas
moradoras das cidades menores da região. Desta forma, para sustentar esse modelo é
necessária uma grande população a fim de atrair e manter esses serviços. Na Figura 4, a
conurbação seria a região de maior expressão das atividades especializadas a serem oferecidas
pela região e o local de maior população para sustentar e atrair mais serviços. As vilas são a
representação inversa das conurbações, seus moradores tendem a se deslocar para os locais
onde os serviços são oferecidos em maior quantidade.
Na década seguinte a Christaller (1933), Lösch (1940) apresenta uma teoria mais
sofisticada que a Teoria de Lugar Central, conciliando esta com a parte de teoria econômica.
Lösch trata de determinar a distribuição ótima das atividades econômicas no espaço sob o
ponto de vista da máxima racionalidade, apresentando um sistema de equilíbrio geral que
descreve de modo teórico as inter-relações de todas as localizações (BREITBACH, 1988, p.
32).
Lösch (1940) se insere entre os estudiosos sobre aglomerações, devido sua teoria sobre
rede de áreas de mercado. A noção de aglomeração seria a superposição de diversas redes que
42
levam à coincidência dos núcleos de oferta com maior demanda, valorizando, com isso,
alguns centros produtivos em detrimento de outros (BREITBACH, 1988, pág. 33 – 34).
O cenário para a elaboração da teoria de Lösch (1940) é semelhante às condições
apresentadas na Teoria de Lugar Central. Nesta versão são consideradas as matérias-primas
econômicas distribuídas uniformemente em determinada planície, onde esta deve ser
homogênea e não conter nada além de fazendas auto-suficientes que são distribuídas de
maneira regular (FUJITA, 2009). Logo, consideraremos áreas de mercado que não são o
resultado de qualquer tipo de desigualdades naturais ou políticas, mas surgem através da
interação de forças puramente econômicas. Algumas dessas forças econômicas trabalham no
sentido da concentração e outras da dispersão. No primeiro grupo estão as vantagens de
especialização e da produção em larga escala; no segundo, os custos de remessa e de
produção diversificada (OTTAVIANO; THISSE, 2004). Esses fatores constituem a área de
mercado. Na Figura 5 é revelado o formato da área de mercado, cada área inicia-se com um
circulo e deverá assumir a forma hexagonal que permite o maior número de vendas possível.
Logo, a localização ótima é função das diferenças espaciais de demanda e oferta, de tal modo
que o produtor adquira maior lucro e o consumidor os menores gastos (BREITBACH, 1988).
momento os lucros adquiridos são zero e o equilíbrio esta estabelecido. O ponto d mostra o
mercado como um todo, sendo constituído por vários hexágonos.
A Teoria de Polarização, elaborada por Perroux, tem por objetivo encontrar uma
resposta aos problemas criados pelos desequilíbrios setoriais espaciais. Logo, por meio da
concentração de recursos em pontos discretos do espaço, como estratégia para eliminar o
dualismo econômico (centro-periferia) é bastante simples de compreender (HADDAD, 1974).
Para desenvolver seus estudos, Perroux (1967), divide o espaço em dois tipos. O
primeiro tipo é considerado um espaço geoeconômico, onde se situa meios materiais. A
segunda definição seria um espaço econômico caracterizado por três níveis: 1º) Conteúdo de
um plano, onde as empresas estabelecem suas relações de compra e venda; 2º) Campo de
forças que relaciona termos físicos para completar sua definição, os quais são: a força
centrípeta (atraí os indivíduos dentro daquele plano) e força centrífuga (afastam os indivíduos
dentro daquele plano); e 3º) Conjunto homogêneo que compreende as relações institucionais,
como por exemplo, a existência do governo e sua interação com os indivíduos.
Os pólos de crescimento possuem centros, com seus respectivos campos de força, que
emanam forças centrífugas e recepcionam forças centrípetas. Cada centro tem o seu campo
“invadido” por outros campos de outros centros. Nos pólos de crescimento está localizada a
empresa motriz, capaz de exercer um efeito propulsivo ou repulsivo na atividade econômica.
(BREITBATCH, 1988).
2008). Os retornos crescentes de escala estão associados às ligações para frente e para trás dos
mercados locais.
A Figura 6 mostra o comportamento dos retornos crescentes de escala, sob a influência
das ligações, a partir do momento que ocorre um aumento do número de firmas em determina
região. Esse fator possibilita o aumento da produção, o aumento do consumo (ligação para
frente) e eventualmente aumento da renda do trabalhador. Esse aumento de renda atrai mais
pessoas para essa região buscando produtos ou emprego (ligação para trás), levando à atração
de novas firmas.
Existem mais fatores além dos retornos crescentes de escala com mesmo grau de
importância na NGE, como: mobilidade dos trabalhadores, custo de transporte e concorrência
imperfeita. A mobilidade dos trabalhadores ocorre quando os trabalhadores deslocam-se para
áreas cuja presença de firmas, oferece os melhores salários e produtos, surgindo assim o efeito
denominado como ligações para frente. Logo, esse efeito incentiva os trabalhadores a se
deslocarem para os centros produtores de bens de consumo, aumentando a demanda do local.
Os custos de transportes apresentam a questão sobre as firmas terem a necessidade de se
localizarem próxima ao mercado consumidor para diminuir o seu custo com transporte e
entregar de maneira rápida os produtos demandados pelos agentes. Para ser realizada a
modelagem dos custos de transporte é utilizado um sistema de custos de transporte do tipo
iceberg. Assim, pressupõe-se que uma fração do insumo ou produto que é transportado de um
local para outro se dissolve no caminho, fazendo com que seja necessário enviar uma carga
maior até o seu destino para evitar perdas da encomenda. Na concorrência imperfeita sob a
hipótese de rendimentos crescentes de escala, os custos marginais são menores que os custos
médios, isto faz com que seja inviável um esquema de concorrência perfeita (SILVA, 2011).
Dessa forma, as empresas deixam de serem tomadoras de preços e adotam o pressuposto que
suas políticas de preços dependem da distribuição espacial de consumidores e outras empresas
(FUJITA; THISSE, 2008).
As interdependências geradas entre as escolhas de localização feitas por consumidores
e firmas devido à inserção dos rendimentos crescentes como explicado anteriormente, faz com
que equilíbrios estratégicos sejam inexistentes. Portanto, é preciso considerar essas
interdependências fracas como em modelo de concorrência monopolística (FUJITA; THISSE,
2008).
Logo, os estudiosos da NGE adotam o modelo de concorrência monopolística de Dixit
e Stiglitz4 para explicar os rendimentos crescentes de escala. Nesse modelo todas as firmas
possuem um poder de monopólio, mas é permitido que outras firmas possam introduzir
produtos que sejam substitutos imperfeitos para os que já estão no mercado (CUNHA, 2008).
A concorrência monopolística surge como uma estrutura de mercado determinada
tanto pelas preferências dos consumidores, como pelas exigências fixas das empresas para
recursos produtivos limitados. Do lado da demanda, os consumidores exibem uma preferência
pela variedade, ou seja, sua utilidade aumenta não apenas com a quantidade de cada bem
(diferenciado horizontalmente), mas também com o número total de bens disponíveis. Do
4
Ver Dixit e Stigliz (1977)
46
lado da oferta, a produção exibe economias de escala internas para cada bem, mas sem
economias de escopo entre bens (FUJITA; THISSE, 2008).
Todos os fatores explicados até o momento são partes importantes do modelo Centro-
Periferia. O modelo Centro-Periferia permite a possibilidade de convergência ou divergência
entre as regiões e possibilita o aumento do efeito do mercado doméstico através da
mobilidade dos trabalhadores e/ou consumidores (FUJITA; THISSE, 2008).
Segundo Krugman5, é necessário partir do raciocínio em que duas economias possuem
apenas um dos dois setores a seguir: agricultores, sendo um fator imóvel e utilizado como
insumo no setor agrícola; trabalhadores industriais é um fator móvel que podem se locomover
entre as regiões e é usado como um insumo industrial (SILVA, 2011). A interação entre os
dois fatores acompanha a causalidade circular explicada na sessão anterior.
À medida que mais empresas entram no mercado local, há uma competição maior para
atrair trabalhadores. Da mesma forma, há uma maior concorrência no mercado de produtos, o
que torna a região menos atraente para as empresas (o efeito de crowding do mercado). A
combinação de todos esses efeitos pode, de fato, levar a um "efeito de bola de neve", o que
resulta em uma dispersão espacial de empresas e trabalhadores (FUJITA; THISSE, 2008).
O Quadro 1, apresenta uma sintetizados autores e teorias da economia regional,
abordados nesta seção.
5
Ver Krugman (1991).
47
elaboradas por Krugman e outros teóricos dentro da Nova Geografia Econômica. Assim,
muitas pesquisas empíricas, tais como Maurel e Sedillot (1999), Rosenthal e Strange (2001,
2003), Resende e Wyllie (2005) e Chen et al. (2008) foram realizadas em diversos países,
inclusive no Brasil. Nesta seção será abordado algumas pesquisas sobre a concentração
industrial.
Maurel e Sedillot (1999), utilizando um índice de concentração geográfica que se
assemelha ao índice elaborado por Ellison e Glaeser (1994, 1997). Eles investigaram de
maneira empírica a concentração geográfica das indústrias francesas e realizam uma
comparação com concentração presente nos EUA. Os autores para elaborar seus dados,
utilizaram o conjunto de dados do Inquérito Anual de Empresas (Enquete Annuelle
d’Entreprise) que apresenta dados no nível da unidade de empresas. A pesquisa foi realizada
para o ano de 1993 e usufruiu de dados de empresas concentradas nos campos de atividade de
dois e quatro dígitos, medidas para duas subdiviões geográficas: 22 regiões e 95
departamentos da França. Os resultados demonstraram que os efeitos de aglomeração podem
existir entre diferentes indústrias, com base em agrupamentos setoriais. A comparação com os
EUA resultou que ambos os países possuíam indústrias mais ou menos localizadas, com
exceção da indústria de veículos automotivos nos EUA que é mais concentrada quando
comparada com a França e a indústria de impressão e publicação mostrou um resultado de
menor concentração.
Rosenthal e Strange (2001) examinaramas microfundamentações (transbordamento de
conhecimento, agrupamento de mercado de trabalho e compartilhamento de produtos) das
economias de aglomeração para as indústrias de manufatura dos EUA. A análise utilizou
como medida o índice de concentração de Ellison e Glaeser (1994 e 1997) e abordou
município, condado e estado nos EUA, durante o quarto trimestre do ano 2000. Os autores
obtiveram resultados positivos neste estudo, pois as aglomerações, medidas pelo índice de
Ellison e Glaeser foram positivamente influenciadas pelas variáveis relacionadas às
microfundamentações. Maurel e Sedillot constataram que o emprego nos estabelecimentos
recém-formados eram menos relacionados com as microfundamentações das aglomerações do
que o emprego nos estabelecimentos existentes.
Holmes e Stevens (2002) procuraram responder os motivos que afetavam o tamanho
das plantas presentes em regiões de concentração industrial quando comparadas com
indústrias localizadas fora da concentração. Os autores utilizaram dados da County Business
Patterns (CBP) para o ano de 1992, sendo analisados dados no nível de condados e regiões
(combinação de vários estados) para indústrias no nível de três dígitos e quatro dígitos. Os
49
4 METODOLOGIA
controle das diferenças referentes à distribuição espacial do tamanho das firmas, do número
de empresas existentes e da extensão das áreas geográficas analisadas.
Além de uma discussão sobre a relevância do uso do IEG, nesta seção também
dedicaremos um espaço para o Índice de Hirshman-Herfindahl (IHH) visto que este se
constitui em um dos componentes para elaboração do IEG.
𝐻𝐻 = 𝑧
(1)
determinada região. Segundo Resende e Boff (2002, p. 78) o IHH varia entre e 1. O limite
superior do índice (valor = 1) está associado ao caso extremo de monopólio no qual uma
única empresa opera no mercado. O limite inferior decorre de que IHH é uma função convexa
definida no simplex 𝑧 = {𝑧 ∈ [0,1] : ∑ 𝑧 = 1}. Assim, o índice assume o valor
54
Devido à dificuldade de se estimar esse índice no nível das unidades federativas, será
utilizada outra forma para calcular o IHH, que utiliza números de empregados. De acordo
com Alves(2012) o IHH pode ser conferido na equação2:
𝑎 𝑏
𝐼𝐻𝐻 = −
𝑎 𝑏 (2)
onde,
𝑎 é o número de empregados, no setor i da região j;
𝑎 é o número de empregados, no setor i na região de referência;
𝑏 é o total de empregados na região j; e
𝑏 é o total de empregados, na região de referência.
Desta forma, quando o valor do IHH for positivo, indica que o setor i da região j está
mais concentrado, exercendo um poder maior de atração. Caso o valor seja negativo, o poder
de atração é menor.
O Índice de Ellison e Glaeser (1994, 1997 e 1999) foi elaborado com o objetivo de
mensurar o nível de concentração geográfica em determinadas regiões. Lu e Tao (2009)
argumentam sobre a facilidade de utilizar esse índice para comparação de indústrias no longo
tempo. O desenvolvimento do índice se deu ao verificar três razões observadas durante
surgimento de plantas industriais que se agrupam em relação à determinada atividade
agregada, a fim de maximizar lucros. Tais razões foram ponderadas como: (I) mais plantas se
localizarão em estados com vantagens de custo observados; (II) mais plantas se localizarão
em estados com vantagens de custo não observados; e (III) as plantas se agruparão se os
spillovers (transbordamentos de conhecimentos proporcionados pela proximidade de
55
𝑔 = 𝑠 −𝑥
(3)
onde,
𝑥 = participação do emprego de um estado i no emprego nacional, obtido pelo quociente
entre o total do emprego industrial do estado e o total do emprego industrial do país;
𝑠 = participação do emprego da indústria j no estado i no total do emprego desta indústria no
país, calculado por meio do quociente entre o total do emprego da indústria j do estado i e o
total do emprego desta indústria em nível nacional.
O índice 𝑔 é um número que indica o quanto a participação de um estado i no
emprego da indústria j se distancia da participação deste estado como um todo, em que se
56
∑ 𝑠 −𝑥
𝐺 = (4)
1 − ∑𝑥
Portanto temos formulado o índice geral de concentração industrial. Para evitar que as
analises dêem como resultado setores concentrados mesmo contendo poucas firmas, é
inserido o índice IHH para aumentar a precisão dos dados (LAUTERT; ARAÚJO, 2007),
então:
∑ 𝑠 −𝑥 − (1 − ∑ 𝑥 )𝐼𝐻𝐻
𝛾=
(1 − ∑ 𝑥 )(1 − 𝐼𝐻𝐻)
𝐺 − 𝐼𝐻𝐻
𝛾=
(1 − 𝐼𝐻𝐻) (5)
O índice 𝛾 é conhecido como IEG, que utiliza dados como parcela de emprego total
presente em alguma subunidade geográfica, para compreender o padrão de concentração de
uma região. O índice lhe permite fazer comparações entre indústrias independentemente das
diferenças no nível de agregação geográfica em que os dados de emprego estão disponíveis
nos diferentes setores (ELLISON; GLAESER, 1997).
O IEG indica valores relacionados aos setores da indústria de transformação para cada
UF, visando cumprir os objetivos propostos neste trabalho, calculamos uma média ponderada
(por emprego) do IEG entre os setores da indústria para cada ano como especificado por Lu e
Tao (2009).
Quanto à interpretação do IEG, tem-se que valores positivos indicam setores da
indústria em que os estabelecimentos tendem a situar-se espacialmente próximos, ou seja, são
mais propícios à aglomeração. Valores negativos indicam que os setores analisados tendem a
se afastar. O IEG assumindo valor nulo significa que 𝐺 = 𝐼𝐻𝐻, ou seja, a região analisada
possui empresas que se dispõe aleatoriamente no espaço. Caso IHH seja nulo, 𝛾 não possui
influencia de aspectos da organização industrial (RESENDE; WYLLIE, 2005).
O efeito aleatório parte da suposição de que os efeitos individuais são estritamente não
correlacionados com os regressores, então pode ser apropriado, modelar os termos constantes
específicos individuais, distribuídos aleatoriamente entre as unidades transversais. O custo é a
possibilidade de estimativas inconsistentes (GREENE, 2008)
Uma análise de efeitos aleatórios coloca 𝜀 no termo de erro, levando a ser preciso
considerar a presença de exogeneidade estrita, assim como o efeito fixo, e ortogonalidade
entre 𝜀 e 𝑥 , pois 𝜀 pode estar correlacionado com o termo de 𝑥 . Assim é preciso
estabelecer as seguintes condições:
a) 𝐸(𝑢 |𝑥 , 𝜀 ) = 0, t = 1,..., T.
b) 𝐸(𝜀 |𝑥 ) = 𝐸(𝜀 ) = 0
59
Para essas condições serem aceitas o Efeito Aleatório considera correlação zero entre
as variáveis explicativas observadas e o efeito não observado, de acordo com a premissa
(WOOLDRIDGE, 2001):
𝐶𝑜𝑣(𝑥 , 𝜀 ) = 0
em que t = 1, 2,..., T.
Para decidir quais dos estimadores, efeito fixo ou aleatório, é o mais adequado para o
modelo, foi proposto o Teste Hausman. Este teste é baseado na diferença entre as estimativas
de efeitos aleatórios e efeitos fixos. Para optar pelo efeito fixo é necessário rejeitar a hipótese
nula. Uma vez que os efeitos fixos são consistentes quando 𝜀 e 𝑥 são correlacionados, mas o
efeito aleatório é inconsistente, uma diferença estatisticamente significativa é interpretada
como evidência contra a suposição de efeitos aleatórios 𝐸(𝜀 ) = 0 (WOOLDRIDGE, 2001).
𝑦 =𝛼 + 𝛼 𝑦, + 𝛿 𝑥, +𝜑 𝑓 +𝑢
(9)
Na Literatura temos autores como Levi e Lin (1992), Pesaran e Smith (1995) e
Maddala e Wu (1999) que elaboraram testes para detectar a presença de raiz unitária nas
séries de tempo para dados em painel. Segundo Breitung e Pesaran (2005) os testes seguem
um raciocínio comum apresentando poucas diferenças entre eles. Supondo uma série temporal
{𝑦 , … , 𝑦 } com corte transversal de i = 1, 2,..., N são gerados para cada i um processo
autorregressivo de primeira ordem, AR(1). Esse processo é representado pela equação 10, de
acordo com Maddala e Wu (1999):
∆𝑦 = 𝜌 𝑦 , +𝜀
(10)
Portanto podemos considerar que 𝐻 é a hipótese nula que considera a série com
presença de raiz unitária e 𝐻 como a hipótese alternativa, cuja resposta reflete a ausência de
raiz unitária, ou seja, a série do painel é estacionária.
Os testes de raiz unitária para dados em painel apresentam peculiaridades que podem
torná-los melhores ou piores, quando comparados. Logo serão apresentados três dos mais
utilizados, a saber, os testes LL, IPS e Fisher. Levi, Lin e Chu (2002) consideram que todos os
indivíduos no painel possuem idêntica primeira ordem de autocorrelação parcial, mas todos os
outros parâmetros no processo de erro podem variar livremente entre os indivíduos. Há a
argumentação de que, em contraste com as distribuições padrão de estatísticas de teste de raiz
unitária para uma única série de tempo, as estatísticas de teste de painel têm distribuições
normais limitantes. O teste de Levin-Lin (LL) geralmente é mais aplicável por permitir efeitos
específicos individuais, bem como heterogeneidade dinâmica entre grupos, e requer N/T → 0,
em que N (a dimensão das seções transversais) e T (a dimensão das séries temporais), sendo
que, ambos, quando vistos isoladamente, tendem para o infinito (IM; PESARAN; SHIN,
2003).
O Teste Im, Pesaran e Shin (IPS) apresenta um modelo com uma tendência linear para
cada uma das N unidades da seção transversal. Assim, em vez de reunir os dados, são
utilizados os testes de raiz unitária para as N seções transversais. Portanto, podemos
considerar um teste t para cada seção transversal com base em T observações. O teste IPS é
uma maneira de combinar a evidência sobre a hipótese de raiz unitária a partir dos testes de N
raízes unitárias realizadas em N seções transversais (MADDALA; WU, 1999).
Esse teste t (chamado de t-bar) utilizado para analisar o Teste IPS é baseado na média
das estatísticas (aumentadas) de Dickey-Fuller. Esta estatística é mostrada para convergir em
variável com probabilidade normal padrão, sequencialmente com T → ∞, seguido por N → ∞.
Assim é esperado um resultado de convergência diagonal com T e N → ∞ enquanto N=T →
K, sendo K uma constante não-negativa e finita (IM; PESARAN; SHIN, 2003).
Portanto, para realizar o teste de raiz unitária o teste IPS parte da avaliação da equação
11 a seguir:
𝑡̅ , −𝜇
√𝑁 → 𝑁(0,1), (11)
𝜎
𝑃 = −2 𝑙𝑛𝑝
(12)
A vantagem deste teste é que não requer um painel equilibrado como no caso do teste
IPS e pode ser realizado para qualquer teste de raiz unitária. Além disso, podem ser usados
diferentes comprimentos de latência na regressão ADF individual. O teste Fisher se baseia na
combinação dos níveis de significância de diferentes testes (MADDALA; WU, 1999).
É interessante ressaltar que os testes LL, IPS e Fisher conseguem lidar com problemas
envolvendo heterocedasticidade e correlação serial nos erros, mas apresentam problemas
quando existe correlação entre as seções transversais. Também pode-se dizer que dos três
testes, o mais eficaz na detecção de raiz unitária seria o teste Fisher, seguido pelo teste IPS e
por último o LL (MADDALA; WU, 1999).
categoria a média é feita em partes, de modo que as distribuições limitantes são baseadas em
limites por partes de termos de numeradores e denominadores (BALTAGI, 2005). Logo, o
Teste de Pedroni discute a construção de sete estatísticas separadas nas duas categorias within
e between. São quatro presentes na categoria within e três baseadas em agrupamentos,
inseridos na categoria between. Três dos quatro testes presentes na categoria within são
correções não paramétricas e outra sendo paramétrica baseada no teste ADF. Na categoria
between são dois testes não paramétricos e um terceiro baseado no teste ADF (BANERJEE,
1999). A categoria within é baseada em estimadores que efetivamente agrupam o coeficiente
autorregressivo entre diferentes membros para os testes de raiz unitária sobre os resíduos
estimados, enquanto a categoria between se baseia em estimadores que medem os coeficientes
individualmente para cada integrante da seção transversal. Uma consequência desta distinção
surge em termos do coeficiente autorregressivo, 𝛾 , dos resíduos estimados sob a hipótese
alternativa de cointegração (PEDRONI, 1999).
Considerando a equação dos resíduos:
ê , = 𝛾î ê , +û,
(14)
em que temos a presença do coeficiente autorregressivo, 𝛾 , podemos apresentar para os testes
de cointegração de Pedroni duas hipóteses nulas e duas alternativas, separadas para cada
categoria. Considerando 𝐻 a hipótese nula e 𝐻 a hipótese alternativa, a representação das
hipóteses para a categoria within seria:
𝐻 :𝛾 = 1
𝐻 :𝛾 = 𝛾 < 1
As hipóteses para a categoria between seriam representadas como:
𝐻 :𝛾 = 1
𝐻 :𝛾 < 1
Outro teste de cointegração para dados em painel é o de Westerlund (2007) que se
baseia numa dinâmica estrutural e não na dinâmica residual para estabelecer suas hipóteses e,
portanto, não impõem nenhuma restrição de fator comum. Os testes baseados em resíduos
exigem que o vetor de cointegração de longo prazo para as variáveis em seus níveis sejam
iguais ao processo de ajuste de curto prazo para as variáveis em suas diferenças. Portanto são
propostos quatro testes, divididos em dois grupos para analisar se o modelo é cointegrado.
Estes testes são mais precisos e apresentam resultados mais contundentes do que os baseados
em resíduos, como os testes de Pedroni.
64
quando comparadas com as demais apresentadas logo a seguir, sendo estas mais endógenas. A
decomposição da variância mostra a porcentagem da variação em uma variável que é
explicada pelo choque para outra variável, acumulada ao longo do tempo. As decomposições
de variância mostram a magnitude do efeito total (LOVE; ZICCHINO, 2006).
4.4 Dados
Além do IEG que será calculado com os dados acima descritos, serão coletadas
variáveis adicionais que irão ser analisadas dentro do modelo econométrico. O modelo tratado
neste trabalho é baseado nos modelos econométricos, considerados estáticos, elaborados por
Chen et al (2008), Lu e Tao (2009) e Li et al (2011), em que parte das variáveis foram
inspiradas nesses artigos. Essas variáveis foram feitas a partir dos dados presentes no Censo
Demográfico do IBGE, Banco Central do Brasil e da Pesquisa Nacional por Amostras e
Domicílio (PNAD). De maneira a retratar o momento econômico durante seu período de
crescimento, os dados utilizados são anuais e estão presentes no corte temporal no intervalo
de 2003 até 2014. Todas as variáveis que contém valores em moeda, como os relacionados ao
VAB e PIB, na sua composição possuem seus valores a preços constantes de 2014, calculado
através do Índice Geral de Preços – Disponibilidade Interna 6 (IGP-DI), como deflator.
As variáveis utilizadas para estimar o modelo abordam a influência do governo,
transbordamento de conhecimento, externalidades e custos de transporte voltados para Brasil.
O Quadro 2 mostra um resumo das variáveis utilizadas, sigla, descrição, origem, referências e
a expectativa do comportamento de cada uma, representada por sinais, em relação á
concentração industrial.
6
Medido pela FGV e coletado no IPEA, o IGP-DI está estruturado para captar o movimento geral de preços
através de pesquisas envolvendo todo o processo produtivo, desde preços de matérias-primas agrícolas e
industriais, passando pelos preços de produtos intermediários até os bens de capital. O propósito inicial do índice
era indicar as fases de ciclo econômico, deflacionando a antiga série de evolução de negócios. Atualmente seu
papel está relacionado a deflator estendido às Contas Nacionais (IBRE 2016).
67
A variável ICMS é uma proxy relacionada ao governo, presente nos modelos de Chen
et. al. (2008) e Lu e Tao (2009) e que foi adaptada nesta pesquisa, de modo a atender as
características pertences ao Brasil. No modelo de Chen et al. (2008) essa variável é uma
medida originada de despesas do governo divido pelo PIB Industrial. No modelo de Lu e Tao
(2009) o governo é representado pela presença das empresas estatais. O equivalente nacional
foi retirado do trabalho de Pontes (2011), em que é utilizada a arrecadação do ICMS dividida
pelo VAB da Indústria, medido para cada UF. Esta variável tende a ser negativa no modelo,
pois os estados tendem a reduzir o valor da arrecadação para atrair mais indústrias,
favorecendo a concentração industrial.
Para representar o transbordamento de conhecimento e mobilidade de trabalho o
modelo de Chen et al (2008) utiliza a parcela de educação das províncias, municípios e
condados da China. Para o caso brasileiro, foi utilizada a parcela de pessoas com 11 anos até
68
5 ANÁLISE DE RESULTADOS
Esta seção tratará da análise e discussão dos resultados. Primeiramente será feita a
análise de estatística descritiva das variáveis, bem como do índice de concentração de Ellison
e Glaeser (IEG). Além disso, serão apresentadas duas seções com a análise econométrica. A
primeira corresponde a estimação do modelo de dados em painel para verificar o impacto dos
regressores na variável dependente EG através de uma análise estática. Já a segunda parte
envolverá a estimação do PVAR, em que serão feitos testes de estacionariedade e
cointegração, análise dos impulsos resposta e decomposição da variância, para se realizar uma
análise dinâmica do modelo. Portanto, o objetivo será observar a reação das variáveis
propostas para o modelo na concentração industrial, medida pelo IEG,de forma estática e
dinâmica.
Unidades IEG IEG IEG IEG IEG IEG IEG IEG IEG IEG IEG IEG
Federativas 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Rondônia 0,070 0,070 0,061 0,051 0,045 0,038 0,035 0,034 0,031 0,028 0,028 0,027
Acre 0,059 0,060 0,057 0,046 0,044 0,042 0,040 0,039 0,035 0,033 0,029 0,025
Amazonas -0,048 -0,072 -0,080 -0,073 -0,069 -0,043 -0,041 -0,053 -0,067 -0,067 -0,075 -0,056
Roraima 0,053 0,047 0,052 0,047 0,047 0,044 0,042 0,039 0,040 0,033 0,030 0,032
Pará 0,028 0,025 0,022 0,016 0,015 0,021 0,020 0,018 0,017 0,018 0,018 0,020
Amapá 0,030 0,041 0,041 0,032 0,031 0,034 0,034 0,032 0,029 0,027 0,027 0,027
Tocantins 0,028 0,030 0,029 0,026 0,026 0,023 0,023 0,021 0,021 0,019 0,020 0,018
Maranhão 0,040 0,040 0,036 0,032 0,031 0,029 0,025 0,025 0,022 0,021 0,017 0,020
Piauí 0,031 0,031 0,030 0,027 0,028 0,027 0,026 0,024 0,023 0,022 0,021 0,021
Ceará 0,044 0,041 0,033 0,030 0,025 0,023 0,017 0,017 0,015 0,010 0,007 0,007
Rio Grande do
0,026 0,023 0,022 0,020 0,018 0,016 0,015 0,018 0,017 0,017 0,017 0,016
Norte
Paraíba 0,050 0,047 0,045 0,043 0,040 0,039 0,037 0,039 0,037 0,033 0,032 0,032
Pernambuco 0,012 0,012 0,010 0,011 0,010 0,009 0,009 0,012 0,011 0,012 0,013 0,013
Alagoas -0,019 -0,026 -0,019 -0,017 -0,012 -0,016 -0,017 -0,017 -0,018 -0,018 -0,011 -0,007
Sergipe 0,032 0,032 0,036 0,033 0,036 0,037 0,040 0,044 0,040 0,037 0,036 0,033
Bahia 0,053 0,053 0,050 0,046 0,045 0,042 0,041 0,039 0,038 0,035 0,033 0,033
Minas Gerais 0,016 0,017 0,017 0,016 0,018 0,016 0,017 0,016 0,015 0,014 0,028 0,016
Espírito Santo 0,023 0,022 0,020 0,017 0,017 0,017 0,017 0,017 0,017 0,016 0,014 0,016
Rio de Janeiro 0,014 0,014 0,010 0,008 0,012 0,010 0,008 -0,001 -0,005 -0,012 -0,010 -0,015
São Paulo -0,027 -0,025 -0,026 -0,023 -0,024 -0,023 -0,023 -0,020 -0,018 -0,015 -0,019 -0,017
Paraná 0,026 0,025 0,023 0,021 0,020 0,019 0,018 0,017 0,016 0,016 0,015 0,014
Santa Catarina 0,013 0,012 0,010 0,008 0,007 0,005 0,002 0,001 0,001 -0,001 -0,003 -0,002
Rio Grande do
-0,027 -0,028 -0,018 -0,015 -0,009 -0,007 -0,003 -0,003 -0,003 -0,005 -0,004 -0,002
Sul
Mato Grosso
0,034 0,034 0,032 0,027 0,025 0,023 0,019 0,023 0,021 0,018 0,017 0,017
do Sul
Mato Grosso 0,043 0,044 0,038 0,031 0,028 0,024 0,021 0,022 0,019 0,019 0,015 0,016
Goiás 0,023 0,022 0,019 0,017 0,015 0,013 0,013 0,013 0,011 0,009 0,008 0,009
Distrito Federal 0,024 0,023 0,023 0,020 0,021 0,020 0,018 0,014 0,016 0,011 0,009 0,010
Fonte: Elaboração própria a partir de dados da RAIS.
Ao fazer a análise por região temos que as UFs do Norte, apresentam queda no valor
do IEG. O Estado do Amazonas é a única UF com características negativas e com oscilações
mais intensas, este comportamento deve estar atrelado à queda do VAB (tabela 6) que
diminuiu nos últimos oito anos, principalmente após o ano de 2010.
O Nordeste mostra características de desconcentração, pois ocorreu uma queda na
intensidade dos valores do IEG durante o período estudado. O estado de Pernambuco é o
único que demonstrou aumento do IEG, partindo de 0,012 em 2003 para 0,013 em 2014, com
poucas variações no decorrer dos anos. Alagoas também apresentou um comportamento
diferente em relação aos outros estados, pois é o único que apresenta um efeito de
7
Gráficos referentes ao IEG para cada UF estão presentes no Anexo A.
71
dos dados presentes entre os valores positivos, se concentrando entre os valores de zero a 0,05
no histograma.
Gráfico 2 - Histograma dos valores de IEG para as UFs no período de 2003 a 2014
O IEG apresentado é uma das variáveis a ser utilizada no modelo econométrico e será
representado como EG, a seguir. Para elaboração do modelo foram utilizadas 324 observações
distribuídas em 27 seções transversais (UFs) e 12 períodos de tempo (2003 a 2014). A Tabela
8 representa dados referentes às estatísticas descritivas das variáveis utilizadas no modelo.
73
A variável FIRM, possui valor alto de desvio padrão (0,060165) quando comparado
com o valor da média dos estados (0,037037) indicando alta oscilação dos valores para essa
variável. Quando observamos o valor da mediana (0,0095605) e comparamos com o valor de
máximo (0,301235), referente ao estado de São Paulo para o ano de 2008, concluímos que o
valor esta muito acima em relação aos valores do restante do país. O mesmo pode ser notado
no valor mínimo (0,00049), referente ao estado de Roraima para o ano de 2003, indicando que
a participação regional das firmas para este estado é bem inferior quando comparado com os
outros estados para os vários anos do período estudado.
O custo de negócio, CUST, apresenta o valor da média (0,841613) e desvios padrão
(0,231036) indicando que as UFs mantêm um investimento equilibrado e pouco oscilativo
quando se trata em definir a melhor localização para custos de negócio. Como valor mínimo
(0,36477) temos o estado do Acre para o ano de 2006 e valor máximo (1,66809) o estado do
Maranhão para o ano de 2004.
Na próxima seção será abordada a estimação do painel e conseqüente análise do
modelo estático.
Foram realizadas estimações para modelos pooled (1), fixo (2) e aleatório (3), para
determinar o modelo mais adequado para avaliar as variáveis que afetam a concentração
industrial. Os resultados estão partilhados na Tabela 9, contendo todas as estimações e os
testes necessários para definição do modelo apropriado.
75
Os testes de efeito individual e Hausman definiram o estimador por efeito fixo (2) o
mais propício para representar o modelo a ser analisado neste trabalho. Como no modelo (2)
foi detectado a presença de heterocedasticidade na realização do teste de mesmo nome, foi
necessário realizar correções, estas realizadas pelo estimador robusto de White.
Logo, podemos perceber que o modelo corrigido (4) apresenta três variáveis
significativas ao nível de 5%. Primeiramente temos a variável ICMS, impactando
negativamente na concentração industrial, ou seja, quando aumentar uma unidade do valor da
arrecadação, ou seja, um ponto percentual, teremos uma redução de 0,003151 da concentração
industrial. Esse comportamento é esperado devido ao fato do governo perder recursos ao
utilizar esse tipo de incentivo fiscal para atrair indústrias.
A variável FIRM, proxy da Participação Regional das Firmas, influencia
negativamente a variável EG, pois quando aumentamos uma unidade de FIRM, o coeficiente
de EG é reduzido em -0,938272. Esse comportamento é justificado pelo processo de
desconcentração industrial, cenário característico nacional desde a década de 70. Portanto
76
A equação 16 nos mostra a influência das variáveis ICMS, EDUC, COMP, FIRM e
CUST na variável de concentração industrial, EG. É Interessante notar que as variáveis
significativas ao modelo seguem resultados observáveis no cenário industrial nacional, como
descrito anteriormente. Podemos considerar que arrecadação do ICMS (ICMS),
competitividade (COMP) e participação regional das empresas (FIRM), afetam a
concentração de maneira estática, sendo assim, fatores que influenciam as aglomerações
quando não se considera efeitos temporais. Na próxima seção, serão realizados testes de
estacionariedade e cointegração para a realização de uma análise dinâmica para continuar
observando o comportamento dessas variáveis, se elas são causadoras de um efeito
permanente na aglomeração ou se são perenes.
5.3 PVAR
A Tabela 10 apresenta os resultados dos testes de raiz unitária, para um modelo sem
tendência8 e variáveis em nível. A definição sobre a estacionariedade das variáveis, em que
rejeita-se a hipótese nula, foi baseada no nível de significância de 5%. Os resultados
encontrados revelam que somente a variável dependente, EG, e a variável FIRM possuem
presença de raiz unitária em nível, o restante rejeitou a hipótese nula. Logo, a possibilidade de
cointegração entre as variáveis do modelo não é crível somente com os testes da Tabela 10.
Tabela 11 - Teste de raiz unitária sem tendência para a primeira diferença de IEG e RE9
8
Os resultados do teste de raiz unitária com tendência estão disponíveis no Anexo B deste artigo.
9
Os testes de raiz unitária para DEG e DFIRM com tendência estão presentes no anexo B
78
O teste de Pedroni foi realizado para definir se o modelo é cointegrado ou não, cuja
hipótese nula refere-se a não cointegração entre as variáveis quando são encontradas
estatísticas não significativas. Os resultados encontrados foram analisados considerando
significância de 5% e as variáveis utilizadas estão em nível, com exceção de DEG e DFIRM
que são a primeira diferença das variáveis EG e FIRM respectivamente. A Tabela 12 contém
as estatísticas do Teste de Pedroni, interpretado a partir de uma distribuição normal N(0,1).
Observa-ser que as estatísticas t e ADF, apresentam resultados não significativos.Logo
conclui-se que a hipótese nula não é rejeitada.
Estatísticas
testes
Painel Grupo
v -2,709
rho 5,059 7,444
t -1,126 -1,864
ADF -0,068 0,776
Fonte: Elaboração própria dos dados através do software Stata.
Estatística P-valor
Gt
Ga 2,168 1,000
Pt
Pa -0,199 1,000
Fonte: Elaboração própria dos dados através do software Stata.
79
Nesta seção serão observados os impactos causados pelas variáveis do modelo ICMS,
EDUC, COMP, DFIRM, CUST e DEG sobre a concentração industrial(DEG), analisando o
comportamento do impulso resposta através das estimações oriundas do modelo PVAR. As
variáveis que não eram estacionárias em nívelforam inseridas no modelo em primeira
diferença. Logo, as variáveis, EG e FIRM, foram apresentadas em primeira diferença para
integrarem ao modelo PVAR como DEG e DFIRM.
O Gráfico 3 apresenta os resultados da resposta de DEG aos choques dos regressores
do modelo. O item (a) mostra o comportamento da variável DEG, esta é bastante endógena,
pois um choque nela mesmo causa uma resposta positiva e altamente significativa no curto
prazo, com queda na sua trajetória retornando ao nível inicial no longo prazo.
80
As variáveis ICMS, no gráfico (b), e CUST, no gráfico (f), não causam choques
significativos em DEG, não sendo relevantes no curto e no longo prazo.
No gráfico (c), a proxy para transbordamento de conhecimento, EDUC, causa
inicialmente um pequeno choque positivo com leve queda no curto prazo em DEG, na
sequência o choque se torna mais intenso e positivo perdurando por todo longo prazo. O
regressor COMP, competitividade das firmas, no gráfico (d), causa um choque negativo
prolongado em DEG que volta no nível inicial somente no longo prazo. Por fim temos o
gráfico (e) em que um choque da variável DFIRM causa um pequeno efeito positivo com
seguida queda no curto prazo em DEG, no longo prazo acontece uma elevação da resposta de
DEG ao impulso de DFIRM.
De acordo com a teoria apresentada pela NGE, podemos notar a presença dos retornos
crescentes (Figura 6) nos resultados encontrados, não da mesma maneira do exposto na teoria,
mas quando é observado o efeito proporcionado pelos choques proporcionados na
concentração industrial (DEG). Na teoria temos uma série de fatores que estimulam outros
fatores, formando um ciclo, este ciclo originaria as aglomerações industriais. Neste caso,
81
dinâmica revela que para a atração industrial ser permanente é preciso considerar a variável
EDUC com mais importância nas regiões próximas das aglomerações. Não podemos afirmar
com clareza, já que não é o foco deste trabalho explicar os desdobramentos do
transbordamento de conhecimento, mas uma observação simples no comportamento da
variável EDUC quando se é observado os valores máximo e mínimo da tabela 8, em que
temos São Paulo sendo o maior expoente da variável EDUC e pertencente à região
considerada a maior concentração industrial do país, depois observamos Roraima com as
menores taxas referentes à EDUC e pertencente a uma região de menor expressão industrial.
Logo, podemos sugerir que os efeitos voltados para o transbordamento de
conhecimento e mobilidade de trabalho, como elencado na formulação da NGE, são
fundamentais para reverter o estado atual da industrialização nacional, que esta se
desconcentrando, como discutido por Cano (1998), Resende e Wyllie (2005) e Lautert e
Araújo (2007).
84
6 CONCLUSÃO
Este estudo teve como principal objetivo, analisar fatores que influenciaram a
concentração industrial nas Unidades Federativas do país entre o período de 2003 a 2014.
Para consecução desse objetivo, primeiramente realizamos uma contextualização do
comportamento da concentração industrial do país, de seu início até os dias atuais, mostrando
as características que proporcionaram o surgimento das aglomerações em cada Estado e os
motivos que as fizeram expandir. Na analise do desempenho da concentração industrial
medido pelo Índice de Ellison e Glaeser em cada Unidade Federativa, foram consideradas
variáveis que podem impactá-la, tais como: arrecadação do ICMS, parcela das pessoas de 11 a
14 anos de estudo, participação regional das empresas, competitividade das firmas e custo
negócio. Foi utilizado primeiro um modelo econométrico de estimação em dados em painel,
baseado em Chen et al (2008) e Lu e Tao (2009), e a ferramenta de vetores autorregressivos
em painel (PVAR), baseado nos autores Love e Zicchino (2006) e Canova e Ciccarelli (2013).
Para compreender o comportamento da concentração industrial no Brasil e os fatores
que podem colaborar para incentivá-la, foi necessário realizar uma contextualização do
processo de industrialização brasileira. O país sempre teve como principal concentração
industrial a região Sudeste. Segundo Cano (2005), o Estado de São Paulo sempre apresentou a
maior parte da produção industrial do país. Muito provavelmente se deve alguns fatores
relacionados à mobilidade de trabalhadores, devido a vários imigrantes do inicio do século; e
custo de transporte, pois a região contou com o apoio do capital oriundo das lavouras, investiu
na infraestrutura dos meios de transporte como ferrovias e estradas. O período do “Milagre”
econômico, na década de 1970, mudou o cenário da concentração industrial do país, pois de
acordo com Cano (1998) e Lago (2011), políticas setoriais e desenvolvimentistas fortaleceram
a indústria em todos os estados. As melhoras na infraestrutura com abertura de novas estradas
criação de hidroelétricas fizeram com que o país passasse a entrar num processo de
desconcentração. Pode se observar que a influência do governo através de políticas de
incentivo a industrialização foi um forte meio para manter o setor atrativo para novas
indústrias. Nas décadas seguintes após o período do Milagre, o setor industrial foi se
enfraquecendo, pois devido às várias crises que ocorreram da década de 1980 até 2001, o
setor deixou de ser o foco das políticas nacionais. Para atrair os investimentos, as UFs
aderiram à arrecadação do ICMS. Pode se notar que até a crise de 2008 o setor estava se
recuperando com o efeito do aumento das exportações na economia internacional. Os anos
seguintes após crise, observou-se que o setor industrial esta se recuperando, devido ao
85
REFERÊNCIAS BIBLIOGRÁFICAS
ARAÚJO, José Ewerton Silva. Novas evidências da distribuição espacial das indústrias no
Nordeste Brasileiro: 2005-2010. Caruaru, Pernambuco, 2016, 93f. Dissertação (Mestrado) –
UFPE.
BALTAGI, Badi H.. Econometric Analysis of Panel Data. 3º ed.. England: Ed. John Wiley
& Sons LTD, 2005.
BANERJEE, Anindya. Panel Unit Roots and Cointegration: an Overview. Oxford Bulletin of
Economics and Statistics, 1999.
BREITUNG, Jörg; PESARAN, M. Hashem. Unit roots and cointegration in panels. Deutsche
Bundesbank, 2005.
BEM, Judite Sanson de. Estado e Economia na América Latina: A construção do pensamento
Neo-Estruturalista Cepalino. Textos para Discussão. Programa de Pós-graduação em
Economia, UFRGS, 2005. Disponível em:
<http://www8.ufrgs.br/ppge/pcientifica/2005_10.pdf>, acessado: 25 jul. 2017.
CASTRO, Lavinia Barros de. Privatização, Abertura e Desindexação: A Primeira Metade dos
anos 90 (1990-1994). In: GIAMBIAGI, Fábio; VILLELA, André; CASTRO, Lavinia Barros;
HERMANN, Jennifer (Org.). Economia Brasileira Contemporânea (1945-2010). 2º Edição.
Rio de Janeiro: Elsevier, Capítulo 6, p.135, 2011.
CHEN, Zhao; JIN, Yu; LU, Ming. Economic Opening and Industrial Agglomeration in China.
FUJITA, Masahisa; KUMAGAI, Satoru; NISHIKIMI, Konji (org.). Economic Integration in
East Asia: Perspectives from Spatial and Neoclassical Economics. Institute of
Development Economies, Capítulo 10, 2008.
CUNHA, Juliana Corrêa. Nova Geografia Econômica: Um Ensaio para o Brasil. Porto Alegre,
2008, 131f. Dissertação (Mestrado) – Programa de Pós-Graduação em Economia, Faculdade
de Ciências Econômicas, Universidade Federal do Rio Grande do Sul.
DIXIT, Avinash K.; STIGLITZ, Joseph E. Monopolistic Competition and Optimum Product
Diversity. The American Economic Review. Jun 1977.
FUJITA, Masahisa. Urban Economic Theory: land use and City Size. Cambridge
University Press, 1989.
_______________. The Evolution of Spatial Economics: From Thünen to the New Economic
Geography. The Journal of the Japoneses Economic Association, vol. 61, nº 1, march
2009.
GREENE, W.H. Econometric Analysis. 6º ed. New Jersey: Prentice Hall, 2008.
IM, Kyung So; PESARAN, M. Hashem; SHIN, Yongcheol.Testing for unit roots in
heterogeneous panels. Journal of Econometrics, January, 2003.
KRUGMAN, Paul. Geography and Trade, Cambridge: MA: MIT Press, 1991.
______________. The New Economic Geography, now middle-aged. In: Presentation to the
Association of American Geographers. April, 2010.
LEOPOLDI, Maria Antonieta P..O difícil caminho do meio: Estado, burguesia industrial e
industrialização no segundo Governo Vargas (1951-1954). In: SZMRECSÁNYI, Tamás;
SUZIGAN, Wilson (Org.). História Econômica do Brasil Contemporâneo: Coletânea de
textos apresentada no I Congresso Brasileiro de História Econômica (Campus da USP,
setembro 1993). São Paulo: Editora USP, 2002.
91
LEVIN, Andrew; LIN, Chien-Fu. Unit Root Tests in Panel Data: Asymptotic and Finite-
Sample Properties. Department of Economics, University of California. San Diego:
Discussion Paper, May 1992.
_____________; CHU, Chia-Shang James. Unit root tests in panel data: asymptotic and
finite-sample properties. Journal of Econometrics, 2002.
LI, Dongya; LU, Yi, WU, Mingqin. Industrial agglomeration and firm size: Evidence from
China. Regional Science and Urban Economics, july, 2011.
LOVE, Inessa; ZICCHINO, Lea. Financial development and dynamic investment behavior:
Evidence from panel VAR. The Quartely Review of Economics and Finance. 2006.
MADDALA, G.S.; WU, Shaowen. A comparative study of unit root testes with Panel Data
and a new simple test. Oxford Bulletin of Economics and Statistics, 1999.
NABUCO, Maria Regina. A (des) institucionalização das políticas regionais do Brasil. Etc...,
espaço, tempo e crítica, nº2, vol. 1, Set. 2007.
NASCIMENTO, Sidnei Pereira. Guerra Fiscal: Uma avaliação comparativa entre alguns
Estados participantes. Economia Aplicada. São Paulo: vol. 12, 2008.
NETTO, Dionísio Dias Carneiro. Crise e Esperança, 1974-1980. In: ABREU, Marcelo de
Paiva (Org.). A Ordem do Progresso: Dois Séculos de Política Econômica no Brasil. 2º
Edição: Rio de Janeiro: Elsevier, Capítulo 12, 2014.
PEDRONI, Peter. Critical Values for cointegration tests in heterogeneous panels with
multiple regressors. Oxford Bulletin of Economics and Statistics. 1999.
PONTES, Paulo Araújo. Três Ensaios sobre Guerra Fiscal e Incentivos estaduais para a
industrialização. São Paulo, 2011, 96f. Tese (Doutorado). Escola de Administração de São
Paulo, Fundação Getúlio Vargas – FGV.
Relação Anual de informações sociais. Base Estatística RAIS e CAGEB. Disponível em:
<http://bi.mte.gov.br/bgcaged/inicial.php>. Acessado em: 17 nov. 2016.
SABOIA, João. Desconcentração Industrial no Brasil nos anos 90: um enfoque Regional.
Pesquisa e Planejamento Econômico. Rio de Janeiro: abr. 2000
SIANO, Rita de; D’UVA, Marcella. Do Spatial Interdependencies Matter in Italian Regional
Specialization? Geographical Analysis, 2014.
93
VILLELA, André. Dos “Anos Dourados” de JK à Crise não resolvida (1956-1963). In:
GIAMBIAGI, Fábio; VILLELA, André; CASTRO, Lavinia Barros; HERMANN, Jennifer
94
VON THÜNEN, J.H. 1826. The Isolated State. Oxford: Pergamon Press, 1966.
WEBER, Alfred. Urber Don standort der industrien. Tübingen, Alemanha: J.C.B. Mohr.
1909.
WESTERLUND, Joakim. Testing for Error Correction in Panel Data.. Oxford Bulletin of
Economics and Statistics. 2007.
WOOLDRIDGE, Jeffrey M.. Econometric Analysis of Cross Section and Panel Data.
Cambridge: Massachussets: The MIT Press, 2001.
95
ANEXOS
ANEXO A
Gráfico A.1 - Dados do Índice de Ellison e Glaeser (IEG) para as 27 Unidades Federativas no período de 2003 a
2014
ANEXO B
Tabela B.2 - Teste de raiz unitária com tendência para DEG e DFIRM
Variáveis Levin, Lin & Chun IPS ADF-Fisher
DEG -18,4243 -9,7913 315,0038
(0,0000)*** (0,0000)*** (0,0000)***
DFIRM -16,8731 -7,3096 244,9682
(0,0000)*** (0,0000)*** (0,0000)***
Fonte: Elaboração própria dos dados através do software Stata.
Nota: Entre parênteses estão os resultados do p-valor (10%: *, 5%: **, 1%: ***), os valores acima são os
coeficientes das variáveis.